人脸识别已成为计算机机器学习、机器视觉和模式识别领域中极其活跃的研究课题,在商业、法律及公安系统等众多领域中有着广泛的应用前景。而特征抽取一直是人脸识别技术中最急需解决的问题之一。因此如何有效地提取人脸图像的鉴别特征已成为目前人脸识别技术中的最关键的问题。特征抽取的本质是把原始的高维数据投影到一个更有利于分类的低维数据空间,尽管有众多的学者提出了许多相关算法的改进,但只有少量的方法运用了动态反馈的思想。而本文针对目前人脸识别中存在的问题,就基于动态反馈的代数特征抽取方法进行了深入的研究和改进,所提出的改进算法也在通用的人脸数据库上进行了验证,并得到了很好的实验结果。本文的主要工作包括3个方面：1、基于加权Fisher脸的特征抽取方法针对传统的PCA算法在降维过程中未考虑样本类别信息以及为了进一步扩大LDA算法中类间离散度和类内离散度的迹比,提出了三种基于加权Fisher脸的特征抽取方法：单边加权PCA (WPCA+LDA)、单边加权LDA (PCA+WLDA)和双边加权(WPCA+WLDA)。其中,双边加权法(WPCA+WLDA)融合了单边加权PCA和单边加权LDA的优点,分别对PCA和LDA引入了权函数,既能在PCA降维时考虑样本类别的相关信息,又能考虑所有样本各种特性之间的联系,排除变量之间的相关性干扰。在ORL和AR人脸数据上的实验结果充分验证了该算法的有效性。2、基于动态反馈的加权Fisher脸的特征抽取方法为了充分利用PCA降维过程中的有用信息,有效的获得样本分布特征,同时在LDA中做到最好的分类,而不仅仅是分离,提出了基于动态反馈的加权Fisher脸的特征抽取方法。该方法首先利用PCA方法对人脸图像向量进行降维得到投影矩阵,然后反复地优化子空间,通过利用先前的每一步反馈信息,更新投影误差,得到权值向量,加权协方差矩阵,优化投影矩阵。最后利用加权LDA进一步提取分类特征进行分类。在ORL和YALE人脸数据库上的实验结果充分验证了该算法的有效性。3、基于动态反馈的二维Fisher脸的特征抽取方法针对PCA中未能很好的评估协方差矩阵以及LDA中求解最佳投影空间的计算难度,提出了基于动态反馈的二维Fisher脸的特征抽取方法。该方法不仅从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题,而且该方法是直接基于图像矩阵的,与以往的基于图像向量的鉴别方法相比,大大提高了特征抽取的速度。该方法主要对二维最大散度差鉴别准则中的类间散布矩阵和类内散布矩阵进行了修正,通过动态反馈,选择具有最重要的补充信息样本,从而得到最具有判别力的判别准则。最后,在ORL和YALE人脸数据上的实验结果验证了该算法的有效性。